MIT-Forscher haben hat einen Algorithmus für maschinelles Lernen entwickelt das MRT-Scans und andere 3D-Bilder registrieren und sie in Sekundenschnelle vergleichen und analysieren kann.
Dadurch reduziert sich die herkömmliche Laufzeit von zwei Stunden oder mehr auf nur eine Sekunde.
Medizinische Bildgebung, einschließlich MRT- und CT-Scans, ist nicht nur ein medizinischer Durchbruch, der es Ärzten ermöglicht, anatomische Unterschiede gründlich zu vergleichen und zu analysieren, sondern auch a riesiges globales Unternehmen Allein in den USA werden jährlich fast 50 Milliarden US-Dollar für fast 40 Millionen Scans ausgegeben.
Allerdings dauert diese weit verbreitete Technologie immer noch bis zu zwei Stunden oder länger, was die klinische Forschung verlangsamt und andere potenzielle Anwendungen einschränkt.
„Herkömmliche Algorithmen für die Registrierung medizinischer Bilder sind übermäßig langsam, sodass es unwahrscheinlich ist, dass sie in vielen klinischen Umgebungen eingesetzt werden“, sagte er Adrian Dalca, Co-Autor und Postdoktorand am Massachusetts General Hospital und Das Labor für Informatik und künstliche Intelligenz des MIT (CSAIL) und Guha Balakrishnan, Co-Autor und ein Doktorand in CSAIL und der Fakultät für Ingenieurwesen und Informatik (EECS).
Die beiden Artikel, die ihren Algorithmus für maschinelles Lernen beschreiben, waren präsentiert auf der Konferenz 2018 über Computer Vision und Mustererkennung (CVPR) letzte Woche und wird auf der vorgestellt 21. Internationale Konferenz über medizinische Bildverarbeitung und computergestützte Interventionen (MICCAI) in Spanien, 16.-20. September.
Warum dauert es so lange?
Bei MRT-Scans bilden Hunderte gestapelter 2D-Bilder riesige 3D-Bilder, sogenannte „Volumen“, die eine Million oder mehr 3D-Pixel, sogenannte „Voxel“, enthalten.
Beim Scannen des Gehirns beispielsweise erzeugt die Technik viele zweidimensionale „Scheiben“, die zu einer 2D-Darstellung des Gehirns kombiniert werden.
Aus diesem Grund dauert es lange, alle Voxel im ersten Scan sorgfältig mit denen im zweiten abzugleichen. Dieser Prozess wird schwieriger, wenn die Scans von verschiedenen Computern stammen, und wird besonders langsam, wenn Scans von großen Populationen analysiert werden.
In Fällen, in denen Ärzte mehr über die Unterschiede in den Gehirnstrukturen von Hunderten von Patienten mit einer bestimmten Krankheit oder einem bestimmten Leiden erfahren müssen, kann allein das Scannen möglicherweise Hunderte von Stunden dauern.
„Man hat zwei verschiedene Bilder von zwei unterschiedlichen Gehirnen, legt sie übereinander und fängt an, an einem zu wackeln, bis eines zum anderen passt. Mathematisch gesehen dauert dieser Optimierungsvorgang sehr lange“, sagte Dalca in einer Erklärung.
Anstatt jedoch bei einem neuen Bildpaar von vorne anzufangen, fragten sich die Forscher, was passieren würde, wenn der Algorithmus aus früheren Scans lernen würde.
„Nach 100 Anmeldungen sollte man aus der Ausrichtung etwas gelernt haben. Das ist es, was wir nutzen“, sagte Balakrishnan in einer Erklärung.
Ein Algorithmus, der lernt
Der neue Algorithmus für maschinelles Lernen namens „VoxelMorph“ basiert auf einem Faltungs-Neuronalen Netzwerk (CNN), ein maschineller Lernansatz, der häufig für die Bildverarbeitung verwendet wird.
Diese Netzwerke bestehen aus vielen Knoten, die Bild- und andere Informationen über mehrere Rechenebenen hinweg verarbeiten.
Die Forscher trainierten VoxelMorph anhand von 7,000 öffentlich zugänglichen MRT-Gehirnscans.
Während des Trainings registrierte VoxelMorph Tausende Paare von Gehirnscanbildern. Seine CNN-Komponente und sein räumlicher Transformator, eine modifizierte Rechenschicht, lernten alle notwendigen Informationen zum Ausrichten von Bildern durch die Erfassung ähnlicher Voxelgruppen in jedem Paar von MRT-Scans, beispielsweise anatomische Formen, die beiden Scans gemeinsam sind.
Als VoxelMorph dann mit zwei neuen Scans gefüttert wurde, nutzte es die während des Trainings geschätzten Parameter, um schnell die genaue Ausrichtung jedes Voxels in den neuen Scans zu berechnen.
Kurz gesagt: Die CNN-Komponente des Algorithmus erhält während des Trainings alle notwendigen Informationen, sodass bei jeder neuen Registrierung die gesamte Registrierung mithilfe einer einzigen, leicht berechenbaren Funktionsauswertung ausgeführt werden kann.
„Die Aufgaben beim Ausrichten einer Gehirn-MRT sollten nicht so unterschiedlich sein, wenn man das eine oder andere Paar von Gehirn-MRTs ausrichtet“, sagte Balakrishnan in einer Erklärung.
„Es gibt Informationen, die Sie bei der Ausrichtung übernehmen können sollten. Wenn Sie aus der vorherigen Bildregistrierung etwas lernen können, können Sie eine neue Aufgabe viel schneller und mit der gleichen Genauigkeit erledigen.“
Im Gegensatz zu einigen anderen Algorithmen, die ebenfalls CNN-Modelle beinhalten, aber zuerst die Ausführung eines anderen Algorithmus erfordern, um genaue Registrierungen zu berechnen, ist VoxelMorph „unüberwacht“, was bedeutet, dass es nur die Bilddaten benötigt, um genaue Registrierungen zu berechnen.
Das Ergebnis
VoxelMorph wurde anhand von 250 zusätzlichen Scans getestet und registrierte alle Scans innerhalb von zwei Minuten mit einer herkömmlichen Zentraleinheit (CPU) und in weniger als einer Sekunde mit einer Grafikverarbeitungseinheit (GPU).
„In unseren ersten Tests und Veröffentlichungen haben wir eine große Anzahl von Forschungsbildern verarbeitet, um Erkenntnisse über Krankheiten zu gewinnen. In diesem Szenario kann sich die verkürzte VoxelMorph-Laufzeit dramatisch auf die Analyse auswirken“, sagten Dalca und Balakrishnan.
Anschließend haben die Forscher den VoxelMorph-Algorithmus weiter verfeinert, sodass er die „Glätte“ jeder Registrierung garantiert, was bedeutet, dass im zusammengesetzten Bild keine Falten, Löcher oder allgemeine Verzerrungen entstehen.
Um die Genauigkeit des Algorithmus zu validieren, verwendeten die Forscher ein mathematisches Modell namens Dice Score, eine Standardmetrik zur Bewertung der Genauigkeit überlappender Bilder.
Sie fanden heraus, dass der verfeinerte VoxelMorph in 17 Gehirnregionen die gleiche Genauigkeit erzielte wie ein häufig verwendeter hochmoderner Registrierungsalgorithmus und gleichzeitig Laufzeit- und methodische Verbesserungen bot.
Der nächste Schritt
Neben der Analyse von Gehirnscans ermöglicht VoxelMorph eine Vielzahl neuer Forschungs- und Anwendungsmöglichkeiten.
Zumindest ermöglicht VoxelMorph eine wesentlich effizientere Versorgung der Patienten. Ärzte können jetzt schnell medizinische Bilder eines bestimmten Patienten, die vor und nach einer Operation oder Behandlung aufgenommen wurden, abgleichen, um die Wirkung des Eingriffs zu beurteilen.
„Während frühere Methoden unerschwinglich langsam waren, verspricht die kurze VoxelMorph-Laufzeit, diesen Vergleich zu ermöglichen, sobald der Scan erfasst ist“, sagten Dalca und Balakrishnan. „Dies ist für uns eine Richtung der zukünftigen Arbeit.“
Darüber hinaus kann VoxelMorph den Weg für die Bildregistrierung während des Betriebs ebnen.
Derzeit müssen Chirurgen bei der Resektion eines Gehirntumors zunächst das Gehirn des Patienten vor der Operation scannen und bis nach der Operation warten, um festzustellen, ob der Tumor vollständig entfernt wurde. Bei unvollständiger Entfernung müssen sie zurück in den Operationssaal.
VoxelMorph verfügt jedoch über die potenzielle Fähigkeit, Scans nahezu in Echtzeit zu registrieren, sodass Chirurgen einen viel klareren Überblick über ihren Fortschritt erhalten könnten.
„Heute können sie die Bilder während der Operation nicht wirklich überlappen, da die Operation zwei Stunden dauern wird und die Operation noch andauert“, sagte Dalca in einer Erklärung. „Wenn es jedoch nur eine Sekunde dauert, kann man sich vorstellen, dass es machbar wäre.“
Derzeit führen die Forscher den Algorithmus auf Lungenbildern aus. Und sie hoffen auf weitere Verbesserungen.
„Wir arbeiten daran, das Ergebnis der Bildausrichtung automatisch auszuwerten, um Ärzten zu helfen, zu verstehen, wo Pathologien vorliegen könnten, um klinische Schlaganfallscans von geringer Qualität aus dem Krankenhaus zu registrieren und Lungenbilder für Patienten mit Lungenerkrankungen auszurichten“, sagten Dalca und Balakrishnan .
